Mmdetection用自己的数据集训练Mask_RCNN

环境：

显卡	A10 23G
cuda	11.6
torch	1.8
mmcv_full	1.5.0
mmdeteciton	2.2.0

Ps:如果MMCV版本不对可以根据自己的cuda和torch版本去下面网站下载 https://download.openmmlab.com/mmcv/dist/cu111/torch1.8.0/index.html

1.标注数据，我这里使用的是labelme标注

2.标注完的数据如下图所示，图片和json文件在一个目录下：

3.将标注完的数据转为Mask_rcnn训练所需的数据集格式
PS格式转换参考https://blog.csdn.net/m0_64298393/article/details/134733964
转换完毕后为以下格式，annotations中全是json文件，其他三个文件夹目录下直接放置图片：


4.将数据集放到训练代码文件夹中

5.修改配置文件，我这里要训练Mask_Rcnn，所以以Mask_Rcnn为例：
所有算法的配置文件都放在./configs文件目录下，文件夹名字就是各种算法名字

6.找到Mask_rcnn，可以看到文件夹下有很多配置文件，各字段释意如下：

• Mask_rcnn表示算法名称
• r50 等表示骨架网络名
• caffe 和 PyTorch 是指 Bottleneck 模块的区别，省略情况下表示是 PyTorch
• fpn 表示 Neck 模块采用了 FPN 结构
• mstrain 表示多尺度训练，一般对应的是 pipeline 中 Resize 类
• 1x 表示 1 倍数的 epoch 训练即 12 个 epoch，2x 则表示 24 个 epcoh
• coco 表示在 COCO 数据集格式上训练
  
  7.这里以mask_rcnn_r50_fpn_1x_coco.py为例，可以看到配置文件中有4个目录，需要依次修改
  
  1.打开mask_rcnn_r50_fpn.py，将init_cfg 地址改为预训练模型地址（预训练模型下载地址可由项目README.md中Model zoo找到，也可在官方Github找到。），并将num_classes修改为所标注缺陷的种类数
  
  

2.打开第二个文件coco_instance.py，将data_root路径改为你自己coco数据集的位置（注意一定要以/结尾），修改输出图片尺寸（根据自己的数据集决定）

将自己数据的标签写入配置文件，在data前一行添加自己的标签列表，同时在train，val，test中添加classes = classes，如果不添加，模型就会默认读取coco原始数据集的80个标签，与自己的数据集对应不上就会报错。

3.打开第三个文件修改学习率和训练轮数以及学习率衰减轮数（学习率也可以不改，具体根据batchsize和显卡数量决定）

4.打开最后一个文件，各项参数如下图，根据自己需要修改

8.开始训练：
在终端CD 到mmdetection_2_20_0目录下输入，即可开始训练

python tools/train.py configs/mask_rcnn/mask_rcnn_r50_fpn_1x_coco.py